0 引言
本文采用小波分析和模式識別方法分析車輛噪聲信號，設計了一種基于DSP的車輛碰撞聲檢測裝置，該裝置能有效檢測車輛碰撞事件，實現交通事故的自動識別。相對于已有交通事故檢測裝置具有識別率高、實時性強的優點，而且價格較低。
1 硬件設計
我們設計的碰撞檢測裝置的原理框圖如圖1所示，首先采用聲音傳感器采集各種聲音信號，傳感器輸出的電信號經放大電路放大后，傳入聲音采集芯片的模擬信號輸入端。聲音采集芯片將模擬信號進行A／D轉換后，送到DSP模塊做進一步處理。DSP模塊實時地處理所采集到的聲音信息，判斷是否有車輛碰撞事故發生。存儲器模塊和DSP模塊相連，用于儲存需要處理的數據和固化的代碼數據，并為DSP模塊運算時提供臨時存儲空間。報警模塊和通訊模塊與外部救援中心相通訊，一旦DSP模塊檢測到車輛發生碰撞事故，報警模塊就向外發送報警信息。下面分別介紹主要模塊功能。
1．1 聲音采集模塊
聲音采集模塊使用電容式聲音傳感器，采樣頻率為30Hz～18kHz，由于車輛噪聲信號的頻率一般不會超過10kHz，所以該聲音傳感器可很好的實現采樣。聲音傳感器將采集到的模擬信號送入放大電路放大后傳送到聲音采集芯片。
聲音采集芯片采用TLV320AIC23B(簡稱AIC23)，它是TI公司的一款高性能立體聲音頻編解碼器芯片，具有48kHz帶寬，可以滿足包括噪聲信號在內的聲音信號的采集要求。AIC23對采集到的模擬信號進行雙聲道立體聲A／D轉換，可以在8kHz-96kHz的采樣率下提供16bit、20bit、24bit和32bit的采樣數據。本系統將外部聲信號以32kHz采樣頻率采集，每秒采集32000個聲音數據，并將采集數據的長度設為16bit，這樣A／D轉換之后模擬信號變成了16位的數字信號。模擬信號轉化為數字信號之后，AIC23將數據傳輸給DSP模塊，供DSP模塊作下一步處理。
本系統將AIC23的MODE引腳設置為O，控制接口設置為I2C的工作方式，AIC23與DSP模塊的數據傳輸接口使用的是DSP模式。這樣DSP模塊就可以控制AIC23協同工作，并接收AIC23采集到的數據。
1．2 DSP模塊
DSP模塊是整個系統的核心，完成音頻信號的采集、控制、存儲、處理以及與外界通訊等功能。選用的是TI公司生產的DSP芯片TMS320V-C5509(簡稱VC5509)，它是一款性價比極高的16位定點DSP，具有多個高性能運算單元，系統時鐘為144MHz，指令運算速度高達1OOMMACS，而且提供豐富的片上擴展接口。
VC5509有兩個多通道緩沖串行口(McBSP)，McBSP具有與標準串行接口相同的基本功能，并在標準串行接口的基礎之上對功能進行了擴展。本系統使用的語音采集芯片AIC23就通過McBSP和DSP相連接，其連接示意圖如圖2所示。其中CLKX為發送時鐘，CLKR為接收時鐘，它們都和AIC23的系統時鐘BCLK相連。FSX和FSR實現發送和接收的幀同步，對應AIC23的LRCIN和LRCOUT引腳。數據發送引腳DX和數據接收引腳DR分別與AIC23的DIN和DOUT相連，完成串行數據發送和接收操作。
VC5509還包含6個可編程的DMA通路，DMA控制器可以無需CPU介入而在內部存儲器、外部存儲器和芯片上外設之間傳輸數據，當操作完成之后，DMA控制器可向CPU發出中斷請求信號。該系統使用了一個DMA通道0，從數據采集模塊讀入數據并寫入外部存儲器的特定位置。當數據采集滿了之后，DMA控制器將產生中斷，控制DSP執行數據處理程序。DMA的使用減少了系統中斷次數，明顯提高了系統的運行速度。
對于聲音采集模塊采集到的聲音數據，由DSP模塊運行檢測軟件對其進行分析，并判斷外部是否發生了碰撞。DSP模塊還引出一個IO口與報警和通訊模塊相通訊，報警和通訊模塊接收此引腳的信號來判斷是否發生碰撞以決定是否報警。
1．3 存儲器模塊
VC5509支持統一的編址空間，片上內存的總容量為320kB，包括128k×16bit的RAM和32k×16bit的ROM，并可以根據用戶的需要擴展到最大為8M×16bit的片外內存空間。本系統選用的是HY57V64芯片，是一個有4個1M×16bit邏輯陣列的SDRAM芯片。該芯片接收并存儲DSP模塊傳輸過來的聲信號數據，當DSP模塊需要處理數據時也會從該芯片的特定位置讀出相應的數據。
1．4 報警模塊
報警模塊配有GPS和GSM模塊，獲取位置和速度信息并與服務器進行通訊。DSP模塊從報警模塊的GPS模塊獲得車輛的速度和加速度信息并加入聲信號信息進行輔助計算。報警模塊從DSP模塊獲得實時的車輛碰撞信息，一旦檢測到碰撞信號，報警模塊即向服務器報警。
2 軟件和算法設計
我們設計的系統軟件是一個運行于DSP之上的程序，控制系統各模塊工作，并完成算法計算。使用TI公司的CCS集成開發環境，用C語言和匯編語言進行編程。
該軟件首先進行初始化，對VC5509和AIC23的運行參數進行配置。對VC5509芯片的鎖相環配置時，將系統時鐘設置為144kHz。對McBSP進行配置時，打開VC5509的McBSP0并啟動其進行輸入輸出操作。配置DMA0通道，使其工作于兼容模式并在中斷時停止數據的傳輸。配置AIC23的工作模式為DSP模式并使用IIC方式傳輸數據。啟動AIC23對聲信號進行32k采樣速率的采樣。
初始化結束后進行采樣檢測，經過采樣檢測，一旦發現采集到的信號滿足分幀條件，即采集到的聲信號長度足夠1秒時，就執行自動聲檢測算法。
自動聲檢測算法讀出數據并進行判斷，如果檢測到的是非碰撞事件，則繼續執行采樣檢測以等待處理下一秒數據，這時軟件在執行空循環；當自動聲檢測算法檢測到的是碰撞事件，就向通訊模塊傳遞信息，在GPS模塊確認速度和位置信息之后就通過報警模塊報警。此軟件的流程如圖3所示。
軟件流程圖中自動聲檢測算法的設計是核心部分，下面做重點介紹。由于不同聲波信號的幅頻特性和相頻特性不同，不同聲波信號在各個頻率段的幅值也存在一定的差異。因此，可利用各個頻率成分的能量變化來實現目標識別。
自動聲檢測算法包括聲音信號采集和分幀、特征提取、特征降維、特征分類四部分，
其具體實現步驟如下：
(1)采集和分幀。將采集到的信號按每2s分為一幀，幀與幀之間有1s的交疊。對32k采樣率的芯片來說，即每一次只對2s的片段65536個點進行處理，在訓練階段兩個片段之間有1／2重復。這樣得到一組數據Datai(1≤i≤65535)。
(2)特征提取。對每一幀信號數據Datai(1≤i≤65535)實施DWT變換以得到頻域信息，然后根據得到的頻域信息統計能量的分布，以此作為識別交通事故的特征。本算法采用DB1小波，對每一幀信號，先進行一層分解，然后高頻系數進行兩層完整的分解，低頻系數進行10層單向分解得到18組數據。計算得到特征分量F=[E1，E2…E18]，En的計算公式如下：
，其中N為Cn的長度。
(3)特征降維。對特征提取后的信號量實現降維。在提取出的特征分量F的基礎上，本算法采用基于主成分分析(PCA)的異常點檢測算法檢測交通事故碰撞聲。原特征F變換后得到
公式為
，其中H為PCA方法得到的投影矩陣。
(4)特征分類。收集正常運行和交通事故時的車輛周圍聲音信號樣本，并訓練構造分類器，實現對行駛過程中的聲音分類。分類器擬輸出兩類分類結果：一類為正常運行聲音，另一類為重大交通事故的碰撞聲音。判別條件為：
其中
為訓練樣本集的特征分量投影。n表示
允許偏出給定區間Ii的最大個數，當n大于某個閾值時即為碰撞，反之則不為碰撞。
3 實驗結果及分析
系統實驗所采用的實驗樣本總數為200個，分為碰撞樣本和非碰撞樣本兩類，每類都為100個樣本。碰撞樣本采集于車輛廠商的碰撞試驗，非碰撞樣本采集于日常常見各類聲音信號。其中碰撞樣本的長度為10s，包含完整的車輛碰撞過程的聲音，并混有剎車等常見噪聲。非碰撞樣本的長度為20s，分為自然環境類、音樂類和語音類等幾種聲音。在碰撞樣本中，20個作為算法的訓練樣本，剩下的80個用于檢測算法的效果。一般普通聲音的頻譜如圖4 a)所示，而典型的碰撞聲樣本的頻譜如圖4 b)所示。
我們的碰撞聲檢測儀在一個模擬的環境下進行測試，盡可能地還原真實場景。使用低失真功放裝置反復對真實場景中采集到的碰撞信號進行實驗。并和文獻中的實驗結果進行了對比。其中整體成功率是對判斷對的樣本總數和實驗樣本總數的比值。實驗結果示于表1。
由實驗結果可以看出，無論對碰撞樣本還是非碰撞樣本，實驗結果都非常準確，這說明本算法在設計上較為合理，在較小的干擾下可以達到碰撞聲分類的目的，和文獻提到的結果相比，無論是碰撞樣本還是非碰撞樣本，準確度都有所提升。
4 結束語
利用TMS3205509芯片做信號處理以及TLV320AIC23B做采集芯片的車輛碰撞報警裝置，體積小、成本低。此裝置使用分幀的方式對聲信號進行模式識別計算，以實現車輛碰撞的及時報警。實驗結果表明，此系統可靠性高、延時較短、可及時發出報警信號。此系統的應用可提高機動車輛駕乘人員的安全系數，從而降低駕乘人員的車禍傷亡率，具有良好的應用前景。